Une entreprise de soins de santé entraîne un réseau neuronal pour classer les radiographies comme normales ou anormales. L'ensemble de données contient 1 000 images d'entraînement étiquetées et 200 images de test. Un réseau avec 50 couches cachées atteint une précision de 99 % sur l'ensemble d'entraînement, mais seulement 55 % de précision sur l'ensemble de test. Lequel des changements suivants le spécialiste devrait-il envisager pour résoudre ce problème ? (Choisissez-en trois.)

Le problème décrit est un surapprentissage (overfitting), où le modèle apprend trop bien les données d'entraînement mais généralise mal aux nouvelles données. Réduire le nombre de couches cachées simplifie le modèle, le rendant moins susceptible de mémoriser le bruit des données d'entraînement. La régularisation par dropout désactive aléatoirement des neurones pendant l'entraînement, ce qui empêche le modèle de trop dépendre de certains chemins et améliore sa robustesse. L'arrêt anticipé surveille les performances du modèle sur un ensemble de validation et arrête l'entraînement lorsque les performances commencent à se dégrader, évitant ainsi le surapprentissage. Augmenter le nombre de couches cachées aggraverait le surapprentissage. Utiliser un taux d'apprentissage plus faible pourrait ralentir la convergence mais ne résoudrait pas directement le surapprentissage. Inclure les images de test dans l'ensemble d'entraînement biaiserait l'évaluation et ne serait pas une pratique valide.